Gesichtsdetektion in digitalen Einzelbilder

Präsentation zum Thema: "Gesichtsdetektion in digitalen Einzelbilder"—  Präsentation transkript:

1 Gesichtsdetektion in digitalen Einzelbilder
Stefan Bozic

2 Gliederung Einleitung und Motivation Grundlagen zur Bildauswertung
Grundlagen zur Gesichtsdetektion Detektionsmethoden

3 Definition: Gesichtsdetektion
Auf einem willkürlich gewählten Bild sollen die darauf enthaltenen Gesichter erkannt und lokalisiert werden, d.h. die dazugehörigen Bildbereiche identifiziert werden.

4 Anwendungsgebiete Bildsuchmaschinen Biometrie Werbung Automobilindustrie

5 Bildaufbau und Grauwerthistogramm

6 Moderne Bildverarbeitungssysteme

7 Segmentierung Auffinden von Objekten auf einem Bild
Trennung der Objekte vom Bildhintergrund Aggregation von Objekten Beschreibung des Objektes (Objektklasse) durch Merkmale -> Merkmalsvektor Bilden von eindeutigen Klassen im Merkmalsraum Bsp..: alle grünen Ovale x = Farbwert des Objekts y = ovalität des Objekts

8 Probleme der Segmentierung
Klassenbildung exakt über mathematische Formeln angenähert über repräsentative Stichproben Probleme der Segmentierung Erfassen aller relevanten Merkmale eines Objektes festlegen der genauen Klassengrenzen Überschneidung der Klassengrenzen Was beschreibt ein A eindeutig???? Bis zu welcher Grenze wird ein A noch als solches erkannt???

9 Segmentierungsbeispiel
IR-Bild Binärbild

10 Gesichtsmerkmale Kopfform Geometrie der Gesichtszüge Hautfarbe / Farbe der Gesichtszüge Textur des Gesichtes Helligkeit der einzelnen Gesichtsbereiche

11 Probleme bei der Segmentierung von Gesichtern
Position/Haltung des Kopfes Variable Gesichtszüge Gesichtsausdruck Verdeckungen Komplexität des Hintergrunds

12 Wissensbasierte Methoden
W. Methoden beruhen auf dem Menschliches Wissen über das Aussehen eines Gesichtes Anwendung des Wissens zur Definition von Regeln Klassifizierung des Eingangsbildes anhand dieser Regeln Regeln über Helligkeitsinformationen:

13 Wissensbasierte Methoden
Regeln über die Helligkeit der einzelnen Gesichtsregionen

14 invariante Methoden Detektion von Gesichtern anhand von invarianten Gesichtsmerkmalen Beispiele invarianter Merkmale: Gesichtszüge Detektion von Gesichtszügen über deren Umrißkanten und deren geometrische Anordnung zueinander Hautfarbe Texturen

15 Merkmalsinvariante Methoden
Klassifizierung anhand von Gesichtszügen

16 Template Matching Ein Template ist eine Maske die einem Bild oder Bildteil ähnlich ist Berechnung der Ähnlichkeit zwischen einer Bildregion und einem Template Klassifizierung des Eingangsbildes anhand der berechneten Ähnlichkeit

17 Appearance-Based Methoden
Eigenfaces: Umwandlung Bildmatrix[x,y] -> Bildvektor[x*y] Bildvektorraum Dimension [x*y] mit Gesichtsraum als Unterraum Nachbildung des Gesichtraumes durch eine Trainingsmenge von Gesichtsbildern Berechnung der Basisvektoren (Eigenvektoren) des Gesichtsraumes mit Hilfe der Kovarianzmatrix der Trainingsmenge Annäherung der Originalgesichter durch Linearkombination der Eigenvektoren Detektion eines Gesichtes anhand des Abstandes des Bildvektors zum Zentrumsvektor des Gesichtraums

18 Appearance-Based Methoden
Berechnung der Eigenfaces: D = Durchschnittsgesicht G = Grauwertvektor M = Trainingsmenge C = Kovarianzmatrix XE = Eigenvektor  = Eigenwert

19 Appearance-Based Methoden
Neuronale Netze: X = Eingangswert w = Gewicht net = xi*wi o = Ausgangswert

20 Leistungsmerkmale der Detektionsverfahren
Verhältnis von Detektion und Falschdetektion : falsch positiv Ergebnisse falsch negativ Ergebnisse Trainingsmenge Ausführgeschwindigkeit Lernzeit (neuronale Netze) Verwendete Testdatenbank

21 Performance Bewertung der Detektionmethoden
TestSet1 = 125 Bilder mit insgesamt 483 Gesichtern TestSet2 = 23 Bilder mit insgesamt 136 Gesichtern